The present invention provides a system and a pet feeding method based on large data networking analysis, the method includes: acquisition pet species, sex and age, heart rate, blood pressure, body temperature, activity, feeding type, feed intake, and the current image reconstruction into influence factors of matrix X, and uploaded to the among them, feeding type and server; feed form decision variables; on the server by using the complex nonlinear relationship between the factors influencing health index matrix X and pet Elman neural network was established for pet feeding on pet feeding model; model was optimized by using SPEA II algorithm to obtain a set of optimal decision variables to the decision variables; the set of optimal solutions as the recommended decision X pet
【技术实现步骤摘要】
基于物联网大数据分析的宠物喂养方法及系统
本专利技术涉及宠物智能喂养领域,具体涉及一种基于物联网大数据分析的宠物喂养方法及系统。
技术介绍
随着国民经济的快速发展,宠物作为一种情感寄托越来越成为人们乐意选择的一种方式。但如果仅仅使用缺乏科学依据的个人经验对宠物进行喂养,其不合理的喂养方案可能会使宠物缺乏营养导致疾病或富营养化以致肥胖,都达不到我们预想的目标,间接造成大量的精力损失和金钱浪费。目前,亟需解决的问题是建立一套全面的宠物喂养模型,并将宠物生理指标、饮食情况反馈给用户,让用户能及时对宠物喂食方案做出调整。影响宠物健康程度的各个因素之间往往体现出高度的复杂性和非线性,采用常规预测、分析方法存在一定难度。
技术实现思路
本专利技术通过提供一种基于物联网大数据分析的宠物喂养方法及系统,以解决现有宠物喂养过程中因缺乏喂养经验,无法掌控最优的喂食方案而导致宠物饥饿或不健康的问题。为解决上述问题,本专利技术采用以下技术方案予以实现:一方面,本专利技术提供的基于物联网大数据分析的宠物喂养方法,包括:步骤S1:采集宠物的种类、性别、年龄、心跳频率、血压、体温、活动量、喂食类型、喂食量,当前图像、当前体重构成影响因素矩阵X,并上传至服务器;其中,喂食类型和喂食量构成决策变量;步骤S2:在服务器内利用Elman神经网络建立影响因素矩阵X与宠物健康指数之间的复杂非线性关系,获得宠物喂养模型;步骤S3:利用SPEA-II算法对宠物喂养模型进行优化,获得决策变量的一组最优解;步骤S4:将决策变量的该组最优解作为宠物的推荐决策X*通过服务器下发至用户的终端设备进行显示;步骤S5: ...
【技术保护点】
一种基于物联网大数据分析的宠物喂养方法,其特征在于,包括如下步骤:步骤S1:采集宠物的种类、性别、年龄、心跳频率、血压、体温、活动量、喂食类型、喂食量,当前图像、当前体重构成影响因素矩阵X,并上传至服务器;其中,所述喂食类型和所述喂食量构成决策变量;步骤S2:在服务器内利用Elman神经网络建立影响因素矩阵X与宠物健康指数之间的复杂非线性关系,获得宠物喂养模型;步骤S3:利用SPEA‑II算法对所述宠物喂养模型进行优化,获得所述决策变量的一组最优解;步骤S4:将所述决策变量的该组最优解作为所述宠物的推荐决策X
【技术特征摘要】
1.一种基于物联网大数据分析的宠物喂养方法,其特征在于,包括如下步骤:步骤S1:采集宠物的种类、性别、年龄、心跳频率、血压、体温、活动量、喂食类型、喂食量,当前图像、当前体重构成影响因素矩阵X,并上传至服务器;其中,所述喂食类型和所述喂食量构成决策变量;步骤S2:在服务器内利用Elman神经网络建立影响因素矩阵X与宠物健康指数之间的复杂非线性关系,获得宠物喂养模型;步骤S3:利用SPEA-II算法对所述宠物喂养模型进行优化,获得所述决策变量的一组最优解;步骤S4:将所述决策变量的该组最优解作为所述宠物的推荐决策X*通过所述服务器下发至用户的终端设备进行显示;步骤S5:所述用户根据所述终端设备显示的推荐决策X*喂食所述宠物。2.根据权利要求1所述的基于物联网大数据分析的宠物喂养方法,其特征在于,所述宠物喂养模型中Xk=[xk1,xk2,L,xkM](k=1,2,L,S)为输入样本,S为训练样本的个数,WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量,WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量,WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量,Yk(g)=[yk1(g),yk2(g),L,ykP(g)](k=1,2,L,S)为第g次迭代时的实际输出,dk=[dk1,dk2,L,dkP](k=1,2,L,S)为期望输出;以及,建立所述宠物喂养模型的步骤包括:步骤S21:初始化,设迭代次数g初值为0,分别赋给WMI(0)、WJP(0)、WJC(0)一个(0,1)区间的随机值;步骤S22:随机输入样本Xk;步骤S23:对输入样本Xk,前向计算所述Elman神经网络每层神经元的实际输出Yk(g);步骤S24:根据期望输出dk和实际输出Yk(g),计算误差E(g);步骤S25:判断误差E(g)是否小于预设的误差值,如果大于或等于,进入步骤S26,如果小于,则进入步骤S29;步骤S26:判断迭代次数g+1是否大于最大迭代次数,如果大于,进入步骤S29,否则,进入步骤S27;步骤S27:对输入样本Xk反向计算所述Elman神经网络每层神经元的局部梯度δ;步骤S28:计算权值修正量ΔW,并修正权值;令g=g+1,跳转至步骤S23;其中,ΔWij=η·δij,η为学习效率;Wij(g+1)=Wij(g)+ΔWij(g);步骤S29:判断是否完成所有样本的训练;如果是,完成建模;如果否,跳转至步骤S22。3.根据权利要求1所述的基于物联网大数据分析的宠物喂养方法,其特征在于,利用SPEA-II算法对所述宠物喂养模型进行优化的步骤,包括:步骤S31:计算所述宠物喂养模型中种群中每个个体的适应度F(i)=R(i)+D(i),其中,...
【专利技术属性】
技术研发人员:李家庆,陈实,周伟,吴凌,杜明华,李晓亮,唐海红,白竣仁,易军,李太福,
申请(专利权)人:重庆科技学院,
类型:发明
国别省市:重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。